核心问题
每一次通用技术普及，都会经历同样的过程：某些任务消失，某些任务被放大，新任务出现。 但过程从来不是平滑的，代价也从来不平均分配。
AI 的不同之处在于，它同时冲击体力之外的认知任务，而且速度更快。
历史能告诉我们什么
| 时期 | 被替代的 | 被放大的 | 新出现的 |
|---|---|---|---|
| 农业机械化 | 田间劳动 | 农机操作与维护 | 农产品加工、物流 |
| 办公自动化 | 抄写、归档 | 分析与协调 | IT、项目管理 |
| 互联网 | 中介信息差 | 分发与品牌 | 产品、运营、增长 |
| AI | 生成与整理类任务 | 判断、定义问题、承担责任 | 待定 |
最后一栏目前仍然是空的，这既是最令人不安的地方，也是最有机会的地方。
三个不常被讨论的影响
第一，判断力的稀缺性上升，但判断力的培养路径在断裂。 初级岗位本来是训练判断力的场所。当这些岗位的任务被自动化，新人如何积累经验，成为一个没有答案的问题。
第二，组织规模与产出脱钩，会改变职业结构。 如果十个人能做到过去一百人的事，那么中级管理层的存在理由会被削弱，而独立工作者与小团队的空间会变大。
第三，价值分配问题会先于技术问题爆发。 生产率提升不等于收入提升。谁能拿到收益，取决于议价能力、制度安排和所有权结构，而不是技术本身。
三种可能的中期图景
- 增强型：AI 是放大器，人类负责目标与判断。生产率提升，职业结构渐变。
- 分化型：少数人能驾驭 AI 系统，产出极高；多数人从事难以自动化但议价能力弱的工作。这是目前最可能的路径。
- 转型型：新产业创造出大量我们今天无法命名的岗位，类似互联网时代。历史先例支持这一种，但它需要时间，而时间对个人来说很贵。
对个人真正有用的建议
- 掌握问题的定义权。能被清晰定义的任务，迟早能被自动化。
- 建立可验证的成果记录。在产出过剩的环境里，可信度是稀缺的。
- 保持具体的操作能力。完全不碰细节的人，无法判断细节的对错。
- 投资于关系与信任。这是自动化最难触及的部分。
- 不要押注单一叙事。既不要相信「一切照旧」，也不要相信「全都会崩塌」。
结论
工作不会消失，但工作的定义会持续变化。真正的分水岭不是「你会不会用 AI」，而是你能否在变化中持续重新定义自己的价值。